AI Safety Daily：拒绝悬崖与 SafetyALFRED 识别-行动差距被归为同一失效模式

AI Safety Daily 4 月 30 日刊把推理模型的"拒绝悬崖"与 SafetyALFRED 的"识别-行动差距"归为同一失效模式：对齐知识已在模型内部，却未能在输出边界转化为拒答。Yin 等报告的拒绝悬崖中，拒绝意图可在推理轨迹中测得，却在输出生成前特定晚期注意力头位置崩塌；SafetyALFRED 的规划器能识别危险指令仍照常执行。该刊主张按"识别与行动是否一致"评分推理轨迹，用于 VLA 或推理 VLM 系统的上市后监测。